論文の概要: Spatial-Temporal Knowledge Distillation for Takeaway Recommendation

• arxiv url: http://arxiv.org/abs/2412.16502v2
• Date: Wed, 05 Feb 2025 13:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 18:00:46.925855
• Title: Spatial-Temporal Knowledge Distillation for Takeaway Recommendation
• Title（参考訳）: テイクウェイクレコメンデーションのための空間的時間的知識蒸留
• Authors: Shuyuan Zhao, Wei Chen, Boyan Shi, Liyong Zhou, Shuohao Lin, Huaiyu Wan,
• Abstract要約: 本稿では,2段階の学習プロセスに基づく,テイクアウェイレコメンデーション(STKDRec)のための新しい時空間知識蒸留モデルを提案する。 3つの実世界のデータセットの実験により、STKDRecは最先端のベースラインを大きく上回っている。
• 参考スコア（独自算出の注目度）: 8.571622607313358
• License:
• Abstract: The takeaway recommendation system aims to recommend users' future takeaway purchases based on their historical purchase behaviors, thereby improving user satisfaction and boosting merchant sales. Existing methods focus on incorporating auxiliary information or leveraging knowledge graphs to alleviate the sparsity issue of user purchase sequences. However, two main challenges limit the performance of these approaches: (1) capturing dynamic user preferences on complex geospatial information and (2) efficiently integrating spatial-temporal knowledge from both graphs and sequence data with low computational costs. In this paper, we propose a novel spatial-temporal knowledge distillation model for takeaway recommendation (STKDRec) based on the two-stage training process. Specifically, during the first pre-training stage, a spatial-temporal knowledge graph (STKG) encoder is trained to extract high-order spatial-temporal dependencies and collaborative associations from the STKG. During the second spatial-temporal knowledge distillation (STKD) stage, a spatial-temporal Transformer (ST-Transformer) is employed to comprehensively model dynamic user preferences on various types of fine-grained geospatial information from a sequential perspective. Furthermore, the STKD strategy is introduced to transfer graph-based spatial-temporal knowledge to the ST-Transformer, facilitating the adaptive fusion of rich knowledge derived from both the STKG and sequence data while reducing computational overhead. Extensive experiments on three real-world datasets show that STKDRec significantly outperforms the state-of-the-art baselines.
• Abstract（参考訳）: テイクウェイレコメンデーションシステムは、過去の購入行動に基づいて、将来のテイクウェイ購入を推奨し、ユーザの満足度を高め、商店販売を促進することを目的としている。 既存手法は,ユーザ購入シーケンスの空間的問題を軽減するため,補助情報の導入や知識グラフの活用に重点を置いている。 しかし2つの主な課題は,(1)複雑な地理空間情報に対する動的なユーザの嗜好を捉えること,(2)グラフとシーケンスデータの両方から空間的時間的知識を計算コストの低いものに効率的に統合すること,である。 本稿では,2段階の学習プロセスに基づくテイクアウェイレコメンデーション(STKDRec)のための新しい時空間知識蒸留モデルを提案する。 具体的には、第1の訓練段階において、STKGから高次空間時間依存性と協調関係を抽出するために、時空間知識グラフ(STKG)エンコーダを訓練する。 第2の時空間知識蒸留(STKD)段階では、逐次的な視点から、様々な種類の微粒な地理空間情報に基づいて、動的ユーザ嗜好を包括的にモデル化するために、時空間変換器(ST-Transformer)が使用される。 さらに、STKD戦略を導入して、グラフベースの時空間知識をST-Transformerに転送し、STKGとシーケンスデータの両方から得られる豊富な知識を適応的に融合させ、計算オーバーヘッドを低減させる。 3つの実世界のデータセットに対する大規模な実験は、STKDRecが最先端のベースラインを大幅に上回っていることを示している。

関連論文リスト

• CSTA: Spatial-Temporal Causal Adaptive Learning for Exemplar-Free Video Class-Incremental Learning [62.69917996026769]
  クラスインクリメンタルな学習課題は、空間的外観と時間的行動の関与の両方を学習し、保存することを必要とする。 本稿では,各クラス固有のインクリメンタル情報要件を調整し,新しいクラスパターンを学習するためのアダプタを分離するフレームワークを提案する。 異なる種類の情報間のインクリメントと記憶の衝突を減らすために,因果補償機構を提案する。
  論文  参考訳（メタデータ） (2025-01-13T11:34:55Z)
• ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
  現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。 この問題に対処するために,ST-FiTというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T17:51:29Z)
• EasyST: A Simple Framework for Spatio-Temporal Prediction [18.291117879544945]
  本稿では,時空間予測のための簡単なフレームワークであるEasySTパラダイムを提案する。 複雑な時間的GNNからの知識を蒸留することにより、軽量で堅牢なマルチ層パーセプトロン(MLP)の一般化を学習する。 EasySTは、効率と精度の点で最先端のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-10T11:40:01Z)
• Fine-grained Context and Multi-modal Alignment for Freehand 3D Ultrasound Reconstruction [8.558852563471525]
  状態空間モデル(SSM)の長距離依存性管理機能を利用する新しい手法を提案する。 まず,マルチ時間SSMによるマルチスケール空間情報のマイニングを行うReMambaを提案する。 次に,複数の慣性計測単位を時間的補助情報として導入する適応型融合戦略を提案する。
  論文  参考訳（メタデータ） (2024-07-05T04:09:30Z)
• Graph and Skipped Transformer: Exploiting Spatial and Temporal Modeling Capacities for Efficient 3D Human Pose Estimation [36.93661496405653]
  我々は、簡潔なグラフとSkipped Transformerアーキテクチャを用いて、Transformer-temporal情報を活用するためのグローバルなアプローチを採っている。 具体的には、3Dポーズの段階では、粗粒の体部が展開され、完全なデータ駆動適応モデルが構築される。 実験はHuman3.6M、MPI-INF-3DHP、Human-Evaベンチマークで行われた。
  論文  参考訳（メタデータ） (2024-07-03T10:42:09Z)
• Towards Stable and Storage-efficient Dataset Distillation: Matching Convexified Trajectory [53.37473225728298]
  ディープラーニングと大規模言語モデルの急速な進化により、トレーニングデータの需要が指数関数的に増加した。 MTT(Matching Training Trajectories)は、専門家ネットワークのトレーニングトラジェクトリを、合成データセットで実データ上に複製する、顕著なアプローチである。 そこで本研究では,学生の軌道に対するより良いガイダンスを提供することを目的として,MCT (Matching Convexified Trajectory) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-28T11:06:46Z)
• SSTKG: Simple Spatio-Temporal Knowledge Graph for Intepretable and Versatile Dynamic Information Embedding [11.919765478453964]
  本稿では,時空間知識(STSKG)の構築と探索のための新しい枠組みを提案する。 我々のフレームワークは、動的KGの根底にあるトレンドを理解し、予測の精度とレコメンデーションの関連性を高めるための、シンプルで包括的な方法を提供する。
  論文  参考訳（メタデータ） (2024-02-19T13:28:43Z)
• Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd Flow Inference [23.8192952068949]
  S-temporal data(CSST)のための新しいコントラスト型自己学習フレームワークを提案する。 提案手法は,POI(Points of Interest)とその距離に基づく空間隣接グラフの構築から始める。 我々は、類似した事例から対象部分グラフの表現を予測するために、スワップした予測手法を採用する。 実世界の2つのデータセットで実施した実験では、広範囲のノイズデータに基づいて事前トレーニングされたCSSTが、ゼロからトレーニングされたモデルより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2023-09-06T02:51:24Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。